CN113326766A - 文本检测模型的训练方法及装置、文本检测方法及装置 - Google Patents

Abstract

本公开提供了一种文本检测模型的训练方法，涉及人工智能领域，尤其涉及计算机视觉和深度学习领域。具体为：获取带有文本标注框的样本图像，其中，上述文本标注框用于标注上述样本图像中包含的文本主体上的目标文本；将上述样本图像输入初始文本检测模型，以执行以下操作：进行主体检测，得到上述文本主体的位置信息；进行特征提取，得到第一样本特征图；基于上述位置信息和上述第一样本特征图，进行特征融合，得到第二样本特征图以及上述文本标注框内各像素点的角度信息；以及基于上述第二样本特征图和上述角度信息以及预先设定的损失函数训练上述初始文本检测模型。本公开还提供了一种文本检测方法及其装置、一种文本检测模型的训练装置。

Description

文本检测模型的训练方法及装置、文本检测方法及装置

技术领域

本公开涉及人工智能技术领域，尤其涉及计算机视觉和深度学习技术领域。具体涉及一种文本检测模型的训练方法、一种文本检测方法、一种文本检测模型的训练装置、一种文本检测装置、一种电子设备、一种存储有计算机指令的非瞬时计算机可读存储介质和一种计算机程序产品。

背景技术

OCR(Optical Character Recognition，光学字符识别)是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符，确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。

发明内容

本公开提供了一种文本检测模型的训练方法及文本检测方法、装置、设备、存储介质以及计算机程序产品。

根据本公开的一方面，提供了一种文本检测模型的训练方法，包括：获取带有文本标注框的样本图像，其中，上述文本标注框用于标注上述样本图像中包含的文本主体上的目标文本；将上述样本图像输入初始文本检测模型，以执行以下操作：进行主体检测，得到上述文本主体的位置信息；进行特征提取，得到第一样本特征图；基于上述位置信息和上述第一样本特征图，进行特征融合，得到第二样本特征图以及上述文本标注框内各像素点的角度信息；以及基于上述第二样本特征图和上述角度信息以及预先设定的损失函数训练上述初始文本检测模型，得到目标文本检测模型。

根据本公开的另一方面，提供了一种文本检测方法，包括：利用主体检测网络对目标图像进行主体检测，得到图像中包含的文本主体的位置信息；对上述目标图像进行特征提取，得到第一特征图像；基于上述位置信息和上述第一特征图像进行特征融合，得到第二特征图像；以及基于上述第二特征图像，并利用通过本公开实施例的方法训练得到的文本检测模型进行文本检测，得到对应的文本预测框。

根据本公开的另一方面，提供了一种文本检测模型的训练装置，包括：获取模块，用于获取带有文本标注框的样本图像，其中，上述文本标注框用于标注上述样本图像中包含的文本主体上的目标文本；输入模块，用于将上述样本图像输入初始文本检测模型，以通过以下单元执行相应操作：主体检测单元，用于进行主体检测，得到上述文本主体的位置信息；特征提取单元，用于进行特征提取，得到第一样本特征图；特征融合单元，用于基于上述位置信息和上述第一样本特征图，进行特征融合，得到第二样本特征图以及上述文本标注框内各像素点的角度信息；以及模型训练单元，用于基于上述第二样本特征图和上述角度信息以及预先设定的损失函数训练上述初始文本检测模型，得到目标文本检测模型。

根据本公开的另一方面，提供了一种文本检测装置，包括：主体检测模块，用于利用主体检测网络对目标图像进行主体检测，得到图像中包含的文本主体的位置信息；特征提取模块，用于对上述目标图像进行特征提取，得到第一特征图像；特征融合模块，用于基于上述位置信息和上述第一特征图像进行特征融合，得到第二特征图像；以及文本检测模块，用于基于上述第二特征图像，并利用通过本公开实施例的装置训练得到的文本检测模型进行文本检测，得到对应的文本预测框。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行本公开实施例所述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行根据本公开实施例所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现根据本公开实施例所述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示例性示出了适于本公开实施例的***架构；

图2示例性示出了根据本公开实施例的文本检测模型的训练方法的流程图；

图3A、图3B和图3C分别示例性示出了根据本公开实施例的文本检测模型的训练方法的样本图像、根据该样本图像进行主体检测后的图像及根据该样本图像得到的训练结果；

图4示例性示出了根据本公开实施例的文本检测方法的流程图；

图5示例性示出了根据本公开实施例的文本检测模型的原理图；

图6示例性示出了根据本公开实施例的文本检测模型的训练装置的框图；

图7示例性示出了根据本公开实施例的文本检测模型的训练装置的框图；

图8示例性示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

OCR过程中需要进行目标检测，例如可以采用EAST(Efficient and AccuracyScene Text，高效准确场景文本检测)模型进行目标检测。但是EAST模型不适用于大背景下小文档的文本检测，例如不适用于从以桌面为背景的证件照片中提取证件号码。

目前，针对大背景下小文档目标的文本检测，可以采用增加前置检测分类器，即先检测出目标区域的图像再进行文本检测。但是此种方案需要用到两个模型，一个目标检测模型，一个文本检测模型，不是端到端的解决方案，不够便利，耗时和资源占用会提升比较明显，不利于工程应用。

以下将结合具体实施例详细阐述本公开。

适于本公开实施例的文本检测模型的训练方法或/和文本检测方法的***架构介绍如下。

图1示例性示出了适于本公开实施例的***架构。需要注意的是，图1所示仅为可以应用本公开实施例的***架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他环境或场景。

如图1所示，***架构100可以包括客户端101和服务器102。

客户端101可以上传包括目标文本的大占空比图像到服务器102。其中，大占空比图像指目标文本所在的图像区域在整体图像中的占比小，且背景图像的占比大。大占空比图像可以是以桌面为背景的证件照片或者以桌面为背景的票据照片。

服务器102上布置有文本检测模型，可以从大占空比图像中识别出目标文本，并提取出相应的文本数据。例如，服务器102可以从以桌面为背景的证件照片中提取出证件号码。例如，服务器102可以从以桌面为背景的票据照片中提取票据收款人的姓名。例如，服务器102可以从以桌面为背景的火车票照片中提取出乘车人姓名。

应该理解，图1中客户端和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的客户端和服务器。

适于本公开实施例的文本检测模型的训练方法或文本检测方法的应用场景介绍如下。

应该理解，本公开实施例的文本检测模型的训练方法或文本检测方法可以应用于任何图像识别场景，可以用于识别大占空比图像中的文本信息。

根据本公开的实施例，本公开提供了一种文本检测模型的训练方法。

图2示例性示出了根据本公开实施例的文本检测模型的训练方法的流程图。

如图2所示，该文本检测模型的训练方法200可以包括：操作S210～S260。

在操作S210，获取带有文本标注框的样本图像，其中，上述文本标注框用于标注上述样本图像中包含的文本主体上的目标文本。

在操作S220，将上述样本图像输入初始文本检测模型。

在操作S230，进行主体检测，得到上述文本主体的位置信息。

在操作S240，进行特征提取，得到第一样本特征图。

在操作S250，基于上述位置信息和上述第一样本特征图，进行特征融合，得到第二样本特征图以及上述文本标注框内各像素点的角度信息。

在操作S260，基于上述第二样本特征图和上述角度信息以及预先设定的损失函数训练上述初始文本检测模型，得到目标文本检测模型。

在本公开的一个实施例中，操作S210中，可以从历史数据中获取带有文本标注框的样本图像。或者，也可以重新收集大占空比图像，进行人工标注，得到样本图像。

示例性的，可以从存储有标注后火车票照片的数据库中筛选大占空比的照片，进而得到样本图像。

示例性的，可以收集大占空比的火车票照片，对包含乘车人的图像区域进行人工标注，得到样本图像。

操作S230中，可以利用主体检测网络，获得可以确定文本主***置的位置信息。

示例性的，文本主体所在图像区域为矩形框时，可以获取矩形框的中心点坐标、顶点坐标作为位置信息。

操作S240中，可以对样本图像进行多阶段卷积，得到多维特征图，将多维特征图作为第一样本特征图。

示例性的，将样本图像降采样后进行多阶段卷积处理，得到的最终的多维特征图为第一样本特征图。

示例性的，将样本图像降采样后进行多阶段卷积处理，将多个阶段产生的多个多维特征图的任一个或多个作为第一样本特征图。

操作S250中，特征融合的对象可以是位置信息与最终的多维特征图，也可以是位置信息与多个多维特征图中的一个或多个。

示例性的，第一样本特征图为经n阶段卷积后得到第n个多维特征图。样本图像经历了n个阶段的卷积处理，相应地，可以进行n-1个阶段特征融合，n≥2，n为正整数。第n个多维特征图与位置信息融合后得到位置特征图。在第一阶段特征融合过程中，位置特征图与第n-1阶段卷积得到多维特征图拼接，得到第一个特征融合图。在第i阶段的特征融合过程中，第i-1个特征融合图(第i-1阶段特征融合后得到的)经上采样后与第n-i个多维特征图(第n-i阶段卷积后得到的)特征拼接，得到第i个特征融合图，1＜i≤n-1，i为正整数。

示例性的，第一样本特征图为经n阶段卷积后得到n个多维特征图。样本图像经历了n个阶段的卷积处理，相应地，要进行n-1个阶段特征融合，n≥2，n为正整数。位置信息与每个多维特征图融合，得到n个位置特征图。在第一阶段特征融合过程中，特征融合的对象为：第n阶段卷积后得到的多维特征图与位置信息融合的位置特征图经上采样后的图像，以及第n-1阶段卷积得到多维特征图与位置信息融合得到的位置特征图。第一阶段特征融合的输出结果为第一个特征融合图。在第i阶段的特征融合过程中，特征融合的对象为：第i-1阶段特征融合后得到的特征融合图经上采样后的图像，以及第n-i阶段卷积后得到的多维特征图与位置信息融合得到的位置特征图。第i阶段的特征融合的输出结果为第i个特征融合图，1＜i≤n-1，i为正整数。

在本公开的一个实施例中，操作S250中，进行特征融合时，可以改边第一样本特征图像上与位置信息对应的区域之外的像素点的像素值。

示例性的，以标注后火车票照片为样本时，样本图像经主体检测后确定了位置信息及其对应的区域。进行特征融合时，可以将位置信息对应的区域之外的像素点的像素值设为零。

操作S250中，进行特征融合后，可以基于特征融合的结果得到上述文本标注框内各像素点的角度信息，以及文本标注框的顶点坐标。

示例性的，可以根据第n-1个特征融合图得到文本标注框内各像素点的角度信息，同时，也可以得到文本标注框的四个顶点的坐标。

操作S260中，可以在根据损失函数得出的损失小于预设损失阈值后结束训练。

示例性的，可以根据预先设定的损失函数得出角度损失，在角度损失小于预设损失阈值后结束训练。

通过本公开实施例，先进行主体检测，再进行特征提取，然后进行特征融合，进而在进行文本检测模型训练时，可以增强网络对文本主体的关注，使得训练结果更准确。

作为一种可选的实施例，响应于主体预测框内的图像区域在整个上述样本图像中的占比小于第一预设值，基于上述位置信息和上述第一样本特征图，进行特征融合，其中，上述主体预测框是基于上述位置信息确定的。

在本公开实施例中，可以利用主体检测网络，得到主体预测框。主体预测框的框线可以经过文本主体所在的区域边界点，并且主体预测框的每根框线与样本图像的一条边界线平行。

示例性的，文本主体所在区域为矩形框时，构建的主体预测框的框线可以经过矩形框的四个顶点，并且主体预测框的每根框线与样本图像的一条边界线平行。再检测出主体预测框的中心点坐标、主体预测框的宽、主体预测框的高，从而获取主体预测框的四个顶点的坐标。

先检测样本图像是否为大占空比图像，如果是大占空比图像则基于位置信息和第一样本特征进行特征融合，可以用于大占空比图片的文本识别。基于主体预测框可以获取目标文本区域内像素点的角度信息，因此尤其适用于文本有一定倾斜角度的检测场景。

图3A、图3B和图3C分别示例性示出了根据本公开实施例的文本检测模型的训练方法的样本图像、根据该样本图像进行主体检测后的图像及根据该样本图像得到的训练结果。

如图3A所示，样本图像301是大占空比图像，例如可以是以桌面为背景的火车票的照片。样本图像301不少于一个。在样本图像301内具有火车票对应的图像区域302，并且图像区域302内具有文本标注框303。

如图3B所示，样本图像301经主体检测后，形成了主体预测框305，用于表示文本主体所在的位置(火车票所在位置)。文本标注框303内像素点304的角度为θ(或90°-θ)。像素点的角度可以为经过像素点且与文本标注框一边平行的直线与主体预测框边界线的夹角。

如图3C所示，经主体检测后的样本图像301经特征提取、特征融合形成文本预测框306。文本预测框306内像素点307的角度为θ’(或90°-θ’)。像素点的角度可以为经过像素点且与文本预测框一边平行的直线与主体预测框边界线的夹角。

作为一种可选的实施例，上述损失函数包括：点约束损失函数L＝f(θ’-θ)，其中，θ表示上述文本标注框内各像素点的角度；以及θ’表示与上述文本标注框对应的文本预测框内各像素点的角度。

示例性的，点约束损失函数可以为L1＝1-cos(θ’-θ)。

可以关注每个像素点的角度，而不仅仅是四个顶点的角度，因而训练结果更准确。

作为一种可选的实施例，利用主体检测网络进行主体检测，得到上述文本主体的位置信息，其中，上述主体检测网络是上述初始文本检测模型中的网络分支。

大占空比的图像输入到本公开实施例的文本检测模型即可得到文本数据，不需要将图像输入到两个模型，可以实现端到端的文本检测，因而可以减少耗时以及资源占用。

根据本公开的实施例，本公开还提供了一种文本检测方法。

图4示例性示出了根据本公开实施例的文本检测方法的流程图。

如图4所示，该文本检测方法400可以包括操作S410～S440。

在操作S410，利用主体检测网络对目标图像进行主体检测，得到图像中包含的文本主体的位置信息。

在操作S420，对上述目标图像进行特征提取，得到第一特征图像。

在操作S430，基于上述位置信息和上述第一特征图像进行特征融合，得到第二特征图像。

在操作S440，基于上述第二特征图像，并利用通过本公开实施例的方法训练得到的文本检测模型进行文本检测，得到对应的文本预测框。

在本公开的一个实施例中，操作S410中，可以利用主体检测网络对目标图像进行主体检测，得到主体预测框，进而检测出主体预测框的边界点坐标作为位置信息。

示例性的，目标图像为以桌面为背景的火车票照片，主体检测网络可以以火车票的四个顶点建立主体预测框，该主体预测框的四条边分别与目标图像的四条边平行且经过火车票的四个顶点。再检测出主体预测框的中心点坐标、主体预测框的宽、主体预测框的高，从而检测出主体预测框的四个顶点的坐标。

操作S420中，可以对目标图像进行多阶段卷积，得到多维特征图，将多维特征图作为第一特征图像。

示例性的，可以对目标图像进行n个阶段的卷积处理。可以将最终的多维特征图作为第一特征图像，也可以将每个阶段得到的不同维度的特征图的一个或多个作为第一特征图像。

操作430中，特征融合的对象可以是位置信息与目标图像经多阶段卷积后得到最终的多维特征图，也可以是位置信息与目标图像经多阶段卷积后得到的多个特征图中的一个或多个。

示例性的，第一特征图像为经n阶段卷积后得到第n个多维特征图。目标图像经历了n个阶段的卷积处理，相应地，要进行n-1个阶段特征融合，n≥2，n为正整数。第n个多维特征图与位置信息融合后得到位置特征图。在第一阶段特征融合过程中，位置特征图与第n-1阶段卷积得到多维特征图拼接，得到第一个特征融合图。在第i阶段的特征融合过程中，第i-1个特征融合图(第i-1阶段特征融合后得到的)经上采样后与第n-i个多维特征图(第n-i阶段卷积后得到的)特征拼接，得到第i个特征融合图，1＜i≤n-1，i为正整数。

示例性的，第一特征图像为经n阶段卷积后得到n个多维特征图。图像经历了n个阶段的卷积处理，相应地，要进行n-1个阶段特征融合，n≥2，n为正整数。位置信息与每个多维特征图融合，得到多个位置特征图。第一阶段特征融合过程中，特征融合的对象为：第n阶段卷积后得到的多维特征图与位置信息融合的位置特征图经上采样后的图像，以及第n-1阶段卷积得到多维特征图与位置信息融合得到的位置特征图。第一阶段特征融合的输出结果为第一个特征融合图。在第i阶段的特征融合过程中，特征融合的对象为：第i-1阶段特征融合后得到的特征融合图经上采样后的图像，以及第n-i阶段卷积后得到的多维特征图与位置信息融合得到的位置特征图。第i阶段的特征融合的输出结果为第i个特征融合图，1＜i≤n-1，i为正整数。

操作S430中，基于位置信息与第一特征图像进行特征融合时，可以改变第一特征图上与位置信息对应的区域之外的像素点的像素值。

示例性的，目标图像经主体检测后具有主体预测框。进行特征融合时，可以将主体预测框之外第一特征图像的像素点的像素值设为零。

操作S440中，得到对应的文本预测框，可以根据角度信息调整文本预测框，也可直接识别文本预测框对应区域的文本信息。

示例性的，目标图像为以桌面为背景的火车票照片时，文本预测框对应的图像区域内的文字为“张三”(车票持有人姓名)，可以调整文本预测框水平后再进行OCR，也可以直接进行OCR，识别出车牌持有人的姓名“张三”。

通过本公开实施例，文本检测模型基于第二特征图像进行文本检测，可以增强该模型对图像中文本主体的关注。

作为一种可选的实施例，上述主体检测网络是主体检测模型中的网络分支。

大占空比的图像输入到文本检测模型即可得到文本数据，可以实现端到端的文本识别，可以减少耗时以及资源占用。

作为一种可选的实施例，上述目标图像中包括文本主体，上述文本主体在整个上述目标图像中的占比小于第二预设值。

位置信息和第一样本特征进行特征融合，可以确定文本主体所在的位置，可以用于大占空比图片的文本识别。

作为一种可选的实施例，上述文本主体上的文本具有预设倾斜角度。

基于文本主体的位置信息可以获取文本主体上文本的像素点的角度信息，因此尤其适用于文本有一定倾斜角度的检测场景。

图5示例性示出了根据本公开实施例的文本检测模型的原理图。

如图5所示，该文本检测模型包括主体检测分支501、特征提取分支502、特征融合分支503、输出分支504。

主体检测分支501为文本检测模型500的一个网络分支，用于进行主体检测，得到输入的图像中文本主体的位置信息。

特征提取分支502，用于进行特征提取，得到多维特征图。可以对图像降采样，然后进行多个阶段的特征提取，得到多个多维特征图。同时，主体检测分支进行主体检测时采用的图像也是降采样后的图像。

示例性的，将图像降采样到7×7网格，进行一阶段卷积，生成64维特征图，下采样倍数为2；再进行二阶段卷积，生成128维特征图，下采样倍数为2；再进行三阶段卷积，生成256维特征图，下采样倍数为2；最后进行四阶段卷积，生成384维特征图，下采样倍数为2。

特征融合分支503，用于基于上述位置信息和上述多维特征图，进行特征融合。特征融合时，可以将经过多个阶段的特征提取后得到的一个最终的多维特征图与位置信息融合，也可以将多个阶段的特征提取得到的每个多维特征图与位置信息融合。

示例性的，目标图像降采样到7×7网格，再经历四阶段卷积处理，得到的384维特征图。可以将位置信息与384维特征图融合得到第一位置特征图。之后进行一阶段的特征融合，将第一位置特征图上采样后与上述256维特征图拼接，上采样倍数为2，得到第一特征拼接图，再对第一特征拼接图依次进行1×1卷积、3×3卷积，得到128维特征融合图。再进行二阶段特征融合，将128维特征融合图上采样后与上述128维特征图拼接，上采样倍数为2，得到第二特征拼接图，再对第二特征拼接图依次进行1×1卷积、3×3卷积，得到64维特征融合图。再进行三阶段特征融合，将64维特征融合图上采样后与上述64维特征图拼接，上采样倍数为2，得到第三特征拼接图，再对第三特征拼接图依次进行1×1卷积、3×3卷积，得到32维特征融合图。最后对第三个特征融合图进行3×3卷积得到特征融合分支503的输出特征图。

示例性的，目标图像降采样到7×7网格，再经历四阶段卷积处理，得到64维特征图、128维特征图、256维特征图、384维特征图。可以将位置信息分别与384维特征图、256维特征图、128维特征图、64维特征图融合，分别得到第一位置特征图、第二位置特征图、第三位置特征图、第四位置特征图。之后进行一阶段的特征融合，将第一位置特征图上采样后与上述第二位置特征图拼接，上采样倍数为2，得到第一特征拼接图，再对第一特征拼接图依次进行1×1卷积、3×3卷积，得到128维特征融合图。再进行二阶段特征融合，将128维特征融合图上采样后与上述第三位置特征图拼接，上采样倍数为2，得到第二特征拼接图，再对第二特征拼接图依次进行1×1卷积、3×3卷积，得到64维特征融合图。再进行三阶段特征融合，将64维特征融合图上采样后与上述第四位置特征图拼接，上采样倍数为2，得到第三特征拼接图，再对第三特征拼接图依次进行1×1卷积、3×3卷积，得到32维特征融合图。最后对32维特征融合图进行3×3卷积得到特征融合分支503的输出特征图。

输出分支504输出文本检测结果，即输出文本特征图、文本标注框内各像素点的角度信息、文本标注框顶点的坐标信息。

示例性的，输出分支504对输出特征图进行1×1卷积得到文本特征图5041。输出分支504对输出特征图进行1×1卷积得到文本标注框内各像素点的角度信息5043。输出分支504对输出特征图进行1×1卷积得到文本标注框顶点的坐标信息5042。

应该理解，虽然本公开实施例中的特征提取分支502进行了4个阶段的特征提取、特征融合分支503进行了3个阶段的特征融合，但实际上，特征提取分支502可以进行n个阶段的特征提取、特征融合分支503可以进行n-1个阶段或者少于n-1个阶段的特征融合，n≥2。

根据本公开的实施例，本公开还提供了一种文本检测模型的训练装置。

图6示例性示出了根据本公开实施例的文本检测模型的训练装置的框图。

如图6所示，该文本检测模型的训练装置600包括获取模块610、输入模块620，、主体检测单元630、特征提取单元640、特征融合单元650、模型训练单元660。

获取模块610，用于获取带有文本标注框的样本图像，其中，上述文本标注框用于标注上述样本图像中包含的文本主体上的目标文本。

输入模块620，用于将上述样本图像输入初始文本检测模型，以通过以下单元执行相应操作。

主体检测单元630，用于进行主体检测，得到上述文本主体的位置信息。

特征提取单元640，用于进行特征提取，得到第一样本特征图。

特征融合单元650，用于基于上述位置信息和上述第一样本特征图，进行特征融合，得到第二样本特征图以及上述文本标注框内各像素点的角度信息。

模型训练单元660，用于基于上述第二样本特征图和上述角度信息以及预先设定的损失函数训练上述初始文本检测模型，得到目标文本检测模型。

作为一种可选的实施例，上述特征融合单元，还用于响应于主体预测框内的图像区域在整个上述样本图像中的占比小于第一预设值，基于上述位置信息和上述第一样本特征图，进行特征融合，其中，上述主体预测框是基于上述位置信息确定的。

作为一种可选的实施例，上述损失函数包括：点约束损失函数L＝f(θ’-θ)，其中，θ表示上述文本标注框内各像素点的角度；以及θ’表示与上述文本标注框对应的文本预测框内各像素点的角度。

作为一种可选的实施例，上述主体检测单元，用于利用主体检测网络进行主体检测，得到上述文本主体的位置信息，其中，上述主体检测网络是上述初始文本检测模型中的网络分支。

根据本公开的实施例，本公开还提供了一种文本检测装置。

图7示例性示出了根据本公开实施例的文本检测模型的训练装置的框图。

如图7所示，该文本检测装置700包括主体检测模块710、特征提取模块720、特征融合模块730和文本检测模块740。

主体检测模块710，用于利用主体检测网络对目标图像进行主体检测，得到图像中包含的文本主体的位置信息。

特征提取模块720，用于对上述目标图像进行特征提取，得到第一特征图像。

特征融合模块730，用于基于上述位置信息和上述第一特征图像进行特征融合，得到第二特征图像。

文本检测模块740，用于基于上述第二特征图像，并利用通过本公开实施例的装置训练得到的文本检测模型进行文本检测，得到对应的文本预测框。

作为一种可选的实施例，上述主体检测网络是上述文本检测模型中的网络分支。

作为一种可选的实施例，上述目标图像中包括文本主体，上述文本主体在整个上述目标图像中的占比小于第二预设值。

作为一种可选的实施例，上述文本主体上的文本具有预设倾斜角度。

应该理解，本公开装置部分的实施例与本公开方法部分的实施例对应相同或类似，所解决的技术问题和所达到的技术效果也对应相同或者类似，本公开在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示例性示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如文本检测模块的训练方法(或文本检测方法)。例如，在一些实施例中，文本检测模块的训练方法(或文本检测方法)可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的文本检测模块的训练方法(或文本检测方法)的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文本检测模块的训练方法(或文本检测方法)。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(″Virtual Private Server″，或简称″VPS″)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。

本公开的技术方案中，所涉及的用户信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (19)

1.一种文本检测模型的训练方法，包括：

获取带有文本标注框的样本图像，其中，所述文本标注框用于标注所述样本图像中包含的文本主体上的目标文本；

将所述样本图像输入初始文本检测模型，以执行以下操作：

进行主体检测，得到所述文本主体的位置信息；

进行特征提取，得到第一样本特征图；

基于所述位置信息和所述第一样本特征图，进行特征融合，得到第二样本特征图以及所述文本标注框内各像素点的角度信息；以及

基于所述第二样本特征图和所述角度信息以及预先设定的损失函数训练所述初始文本检测模型，得到目标文本检测模型。

2.根据权利要求1所述的方法，其中：

响应于主体预测框内的图像区域在整个所述样本图像中的占比小于第一预设值，基于所述位置信息和所述第一样本特征图，进行特征融合，其中，所述主体预测框是基于所述位置信息确定的。

3.根据权利要求1或2所述的方法，其中，所述损失函数包括：点约束损失函数L＝f(θ’-θ)，其中，

θ表示所述文本标注框内各像素点的角度；以及

θ’表示与所述文本标注框对应的文本预测框内各像素点的角度。

4.根据权利要求1所述的方法，其中：

利用主体检测网络进行主体检测，得到所述文本主体的位置信息，其中，所述主体检测网络是所述初始文本检测模型中的网络分支。

5.一种文本检测方法，包括：

利用主体检测网络对目标图像进行主体检测，得到图像中包含的文本主体的位置信息；

对所述目标图像进行特征提取，得到第一特征图像；

基于所述位置信息和所述第一特征图像进行特征融合，得到第二特征图像；以及

基于所述第二特征图像，并利用通过权利要求1至4中任一项方法训练得到的文本检测模型进行文本检测，得到对应的文本预测框。

6.根据权利要求5所述的方法，其中，所述主体检测网络是所述文本检测模型中的网络分支。

7.根据权利要求5所述的方法，其中，所述目标图像中包括文本主体，所述文本主体在整个所述目标图像中的占比小于第二预设值。

8.根据权利要求7所述的方法，其中，所述文本主体上的文本具有预设倾斜角度。

9.一种文本检测模型的训练装置，包括：

获取模块，用于获取带有文本标注框的样本图像，其中，所述文本标注框用于标注所述样本图像中包含的文本主体上的目标文本；

输入模块，用于将所述样本图像输入初始文本检测模型，以通过以下单元执行相应操作：

主体检测单元，用于进行主体检测，得到所述文本主体的位置信息；

特征提取单元，用于进行特征提取，得到第一样本特征图；

特征融合单元，用于基于所述位置信息和所述第一样本特征图，进行特征融合，得到第二样本特征图以及所述文本标注框内各像素点的角度信息；以及

模型训练单元，用于基于所述第二样本特征图和所述角度信息以及预先设定的损失函数训练所述初始文本检测模型，得到目标文本检测模型。

10.根据权利要求9所述的装置，其中：

所述特征融合单元，还用于响应于主体预测框内的图像区域在整个所述样本图像中的占比小于第一预设值，基于所述位置信息和所述第一样本特征图，进行特征融合，其中，所述主体预测框是基于所述位置信息确定的。

11.根据权利要求9或10所述的装置，其中，所述损失函数包括：点约束损失函数L＝f(θ’-θ)，其中，

θ表示所述文本标注框内各像素点的角度；以及

θ’表示与所述文本标注框对应的文本预测框内各像素点的角度。

12.根据权利要求9所述的装置，其中：

所述主体检测单元，用于利用主体检测网络进行主体检测，得到所述文本主体的位置信息，其中，所述主体检测网络是所述初始文本检测模型中的网络分支。

13.一种文本检测装置，包括：

主体检测模块，用于利用主体检测网络对目标图像进行主体检测，得到图像中包含的文本主体的位置信息；

特征提取模块，用于对所述目标图像进行特征提取，得到第一特征图像；

特征融合模块，用于基于所述位置信息和所述第一特征图像进行特征融合，得到第二特征图像；以及

文本检测模块，用于基于所述第二特征图像，并利用通过权利要求9至12中任一项装置训练得到的文本检测模型进行文本检测，得到对应的文本预测框。

14.根据权利要求13所述的装置，其中，所述主体检测网络是所述文本检测模型中的网络分支。

15.根据权利要求13所述的装置，其中，所述目标图像中包括文本主体，所述文本主体在整个所述目标图像中的占比小于第二预设值。

16.根据权利要求15所述的装置，其中，所述文本主体上的文本具有预设倾斜角度。

17.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。

Images